論文の概要: Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction
- arxiv url: http://arxiv.org/abs/2405.01055v1
- Date: Thu, 2 May 2024 07:28:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 17:33:31.608593
- Title: Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction
- Title（参考訳）: 変圧器モデルを用いたマルチソース交通需要データ融合による都市駐車予測
- Authors: Yin Huang, Yongqi Dong, Youhua Tang, Li Li,
- Abstract要約: 本研究では,空間時間深層学習とマルチソースデータ融合を組み合わせた駐車予測フレームワークを提案する。
このフレームワークは、時空間深層学習モデルとしてのTransformerに基づいている。
実世界の実証データを用いて,提案手法の有効性を検証した。
- 参考スコア（独自算出の注目度）: 4.672121078249809
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The escalation in urban private car ownership has worsened the urban parking predicament, necessitating effective parking availability prediction for urban planning and management. However, the existing prediction methods suffer from low prediction accuracy with the lack of spatial-temporal correlation features related to parking volume, and neglect of flow patterns and correlations between similar parking lots within certain areas. To address these challenges, this study proposes a parking availability prediction framework integrating spatial-temporal deep learning with multi-source data fusion, encompassing traffic demand data from multiple sources (e.g., metro, bus, taxi services), and parking lot data. The framework is based on the Transformer as the spatial-temporal deep learning model and leverages K-means clustering to establish parking cluster zones, extracting and integrating traffic demand characteristics from various transportation modes (i.e., metro, bus, online ride-hailing, and taxi) connected to parking lots. Real-world empirical data was used to verify the effectiveness of the proposed method compared with different machine learning, deep learning, and traditional statistical models for predicting parking availability. Experimental results reveal that, with the proposed pipeline, the developed Transformer model outperforms other models in terms of various metrics, e.g., Mean Squared Error (MSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). By fusing multi-source demanding data with spatial-temporal deep learning techniques, this approach offers the potential to develop parking availability prediction systems that furnish more accurate and timely information to both drivers and urban planners, thereby fostering more efficient and sustainable urban mobility.
- Abstract（参考訳）: 都市自家用車所有の増大は、都市駐車場の悪化を悪化させ、都市計画と管理に効果的な駐車場利用予測を必要としている。
しかし, 既存の予測手法では, 駐車量に関する空間的・時間的相関が欠如していることや, 一定のエリア内の類似駐車場間の流れパターンや相関が無視されているため, 予測精度が低い。
これらの課題に対処するために,複数ソース(例えば,地下鉄,バス,タクシーサービスなど)からの交通需要データと駐車場データを含む,空間時間深度学習とマルチソースデータ融合を統合した駐車予測フレームワークを提案する。
このフレームワークはTransformerを時空間深層学習モデルとして利用し、K平均クラスタリングを利用して駐車場クラスタゾーンを確立し、駐車場に接続された様々な交通モード(メトロ、バス、オンライン配車、タクシー)から交通需要特性を抽出・統合する。
実世界の実証データを用いて、駐車場利用率を予測するための機械学習、ディープラーニング、従来の統計モデルと比較し、提案手法の有効性を検証した。
実験結果から,提案したパイプラインでは,Mean Squared Error (MSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) など,他のモデルよりも優れていることがわかった。
マルチソース要求データを時空間深層学習技術で融合させることで、ドライバーと都市計画者の両方により正確でタイムリーな情報を提供し、より効率的で持続可能な都市移動を促進できる駐車予測システムを開発できる可能性がある。
関連論文リスト
- Efficient Large-Scale Urban Parking Prediction: Graph Coarsening Based on Real-Time Parking Service Capability [7.5350858327743095]
本稿では,リアルタイムサービス機能を活用した大規模都市駐車場グラフの予測手法を提案する。
大規模駐車データを効果的に処理するために,グラフ粗大化手法と時間畳み込みオートエンコーダを組み合わせる。
本フレームワークは, それぞれ46.8%, 30.5%の精度向上と効率向上を実現している。
論文 参考訳（メタデータ） (2024-10-05T03:54:25Z) - Interpretable Cascading Mixture-of-Experts for Urban Traffic Congestion Prediction [24.26429523848735]
急速な都市化は交通渋滞を著しくエスカレートさせ、高度な渋滞予測サービスの必要性を浮き彫りにした。
本稿では,CP-MoE(Congestion Prediction Mixture-of-Experts)を提案する。
CP-MoEは、旅行時間推定システムの精度と信頼性を向上させるため、DiDiに展開されている。
論文 参考訳（メタデータ） (2024-06-14T12:57:17Z) - Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。
正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。
本稿では地域時間グラフニューラルネットワーク(RegT-CN)を提案する。
論文 参考訳（メタデータ） (2024-01-23T17:14:01Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - FedParking: A Federated Learning based Parking Space Estimation with
Parked Vehicle assisted Edge Computing [23.943759396364]
分散学習アプローチとして、フェデレーション付き学習は、トレーニングデータのプライバシを保持しながら、分散データセット上で共有学習モデルをトレーニングする。
我々は、駐車場管理へのフェデレートラーニングの適用を拡大し、FedParkingを導入し、Parking Lot Operators(PLO)が協力して、生データを交換することなく、駐車空間推定のための長期記憶モデルを訓練する。
論文 参考訳（メタデータ） (2021-10-19T10:55:33Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。
本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。
我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
論文 参考訳（メタデータ） (2021-06-22T15:40:21Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - An Effective Dynamic Spatio-temporal Framework with Multi-Source
Information for Traffic Prediction [0.22940141855172028]
提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度を約3～7%向上する。
実験の結果,提案モデルでは,NYC-TaxiデータセットとNYC-Bikeデータセットの予測精度が約3～7%向上した。
論文 参考訳（メタデータ） (2020-05-08T14:23:52Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。